可视化是另一个难点。调整图表大小、颜色、标签、标题，让图表既准确又美观，需要耐心。但他乐在其中，因为这是他擅长的“呈现”环节，能将冰冷的数字转化为直观的图形。当他用seaborn画出一个清晰展示不同品类销售额占比的饼图，并用matplotlib调整出满意的配色和字体时，成就感不亚于解出一道数学压轴题。

第三步：新旧知识融合与能力验证。

当学到描述性统计和相关性分析时，他自然而然地想起了“奶茶店测算模型”。那个模型基于手工计算和假设。现在，他可以用数据分析的思维重新审视。他假设自己拥有“蜜雪冰钻”开业三个月每天的详细销售数据（品类、数量、时间、天气等）和成本数据，思考如何用pandas进行分析：

1.销售趋势分析：日销量、周销量的变化趋势，是否存在周期性（如周末高峰）？

2.品类贡献分析：哪些饮品是爆款？哪些滞销？它们的毛利贡献如何？

3.时段分析：一天中哪些时段是销售高峰？不同时段的客单价有无差异？

4.外部因素探索：销量与天气（温度、是否下雨）是否有相关性？（这需要外部数据）

5.盈亏模拟：基于实际销量和成本数据，动态计算每日/每月的盈亏情况，可视化利润变化曲线。

他甚至尝试用一份网上找到的、某连锁奶茶品牌的简化销售数据集（脱敏后）进行模拟练习，用代码完成了上述部分分析。这个过程让他深刻体会到，掌握了数据分析工具，就等于拥有了一台强大的“商业计算显微镜”，可以更细致、更高效地洞察生意细节，验证商业判断。

第四步：向“看账”延伸。

在秦老头的提示下，他尝试接触财务数据分析。他下载了一家知名白酒上市公司（贵州茅台）最近三年的简化利润表数据（营收、成本、费用、净利润），将其导入pandas。他计算了毛利率、净利率、费用率的变化趋势，并用折线图可视化。虽然他还不能深入理解这些比率背后复杂的业务动因，但已经能够用工具快速计算出结果，并观察到其趋势的稳定性。他想起秦老头教的“现金流是血液”，又尝试寻找现金流量表数据，但公开的简易数据不易获得。这一步让他意识到，获取规范、干净的金融数据本身就是一个门槛，也让他对下一阶段要接触的“爬虫”有了更具体的期待——或许可以用来抓取公开的财经网站数据？

一百天的学习计划紧锣密鼓地进行。过程中有无数次的报错、调试、查阅文档、在技术论坛提问。数学基础（特别是统计部分）和理解力帮了他大忙，但编程的细节和pandasAPI的繁杂也让他屡屡受挫。他不断用“PPT百日计划”的经验鼓励自己：刻意练习，反复调试，不追求一步到位。

在第80天左右，他启动了第一个实战项目：用数据分析方法，系统化地重新处理“校区饮品市场存量调研”的观察数据。他将当初手记的店铺信息、客流量抽样数据整理成结构化的CSV文件，用pandas进行清洗和分析：计算各店铺的理论日均销量区间、对比不同品牌/位置店铺的客流量差异、可视化各价格区间的店铺数量分布等等。最终，他生成了一份带有交互图表（利用plotly尝试）的HTML报告，比当初的手写简报专业了许多。

在“商业洞察日记”的学习日志末尾，他写下阶段性总结：

【技能投资复盘：数据分析入门百日】

•投入：约120小时（日均1.2小时）。

•核心掌握：

1.Python+pandas基础：熟练进行数据读取、清洗、转换、分组聚合、合并等操作。

2.数据可视化：掌握matplotlib和seabon绘制常用统计图表，了解plotly基础。